1999 sampai bulan September Data ini diperoleh dari yahoo!finance.

Transkripsi

1 7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan eksplorasi daa. Meliha saisika deskripif dan plo dere waku nilai IHSG.. Melakukan pemilihan fungsi raaan awal yang didasarkan pada plo dere waku, plo ACF dan PACF. Model fungsi raaan erbaik yang dipilih memiliki penduga yang nyaa dan nilai AIC dan SC minimum. Kemudian dilakukan diagnosik sisaan unuk meliha kesesuaian model. 3. Melakukan uji LM unuk mendeeksi keberadaan pengaruh ARCH. Hipoesis nol yang diuji adalah H α α =... = α, yang : = q = mengindikasikan idak adanya efek ARCH. 4. Memodelkan fungsi ragam yang sesuai menggunakan model GARCH. Lalu menduga parameer fungsi raaan dan fungsi ragam secara simulan. Krieria pemilihan model erbaik berdasarkan nilai koefisien penduga yang nyaa, nilai AIC aau SC minimum, dan koefisien fungsi ragam yang posiif. Dilakukan pula diagnosik sisaan unuk meliha kesesuaian model. 5. Melakukan uji unuk memeriksa pengaruh keasimerikan (efek leverage) pada daa. 6. Memodelkan fungsi ragam menggunakan model EGARCH unuk mengaasi pengaruh keasimerikan. Lalu menduga parameer fungsi raaan dan fungsi ragam secara simulan. Krieria pemilihan model erbaik berdasarkan nilai koefisien penduga yang nyaa dan nilai AIC aau SC minimum. Dilakukan pula diagnosik sisaan unuk meliha kesesua ian model. 7. Membua kurva News Impac unuk meliha pengaruh keasimerikan secara visual. 8. Validasi model. Dilakukan validasi erhadap daa IHSG. 9. Melakukan peramalan nilai IHSG unuk 3 bulan ke depan. Sofware yang akan digunakan dalam membanu peneliian ini adalah MINITAB 5, Microsof Excel 3, dan Eviews 4.. HASIL DAN PEMBAHASAN Sejak awal pasar bursa dibuka, indeks harga saham elah mengalami flukuasi dari waku ke waku. Meski sempa erheni pada beberapa periode waku, kini indeks harga saham elah mengalami kemajuan yang sanga pesa. Pemerinah pun elah menganggap peningnya pasar modal sebagai alernaif pembiayaan selain perbankan. Seiring berjalannya waku, semakin banyak perusahaan yang memperdagangkan sahamnya di pasar bursa. Maka digunakan suau nilai indeks unuk meliha perkembangan harga saham di pasar bursa yang dikenal dengan nama Indeks Harga Saham Gabungan (IHSG). Pemerinah juga menggunakan IHSG sebagai paokan kebijakannya dalam rangka meliha penerimaan pasar aas kebijakan yang diambil. Pada ahun 998, Indonesia sempa mengalami krisis ekonomi yang berimbas pada nilai indeks harga saham gabungan yang menurun secara drasis, hingga mencapai iik erendahnya. Namun seelah krisis berlalu, pasar modal kembali berflukuasi, bahkan cenderung meningka. Hingga kini indeks harga saham gabungan elah mencapai level ribuan. Eksplorasi Daa Pada peneliian ini, daa yang digunakan adalah nilai raa-raa harian indeks harga saham gabungan (IHSG) mulai bulan Okober 999 (merupakan awal perbaikan ekonomi di Indonesia seelah mengalami krisis) sampai bulan Sepember 8. Sedangkan unuk membangun model, daa yang digunakan adalah nilai raa-raa Indeks Harga Saham Gabungan dari bulan Okober 999 sampai bulan Juni 8. Plo dere waku daa raa-raa nilai IHSG dari anggal Okober Juni 8 dapa diliha pada Gambar. Nilai raa-raa harian IHSG memiliki kecenderungan meningka hingga sempa mencapai iik eringgi pada level 8.8 pada anggal 4 Januari 8.

2 8 r aa-r aa // Scaerplo of raa-raa vs dae // //4 dae //6 //8 Gambar Plo dere waku nilai raa-raa harian IHSG. Lampiran memperlihakan plo ACF dan PACF dari nilai raa-raa harian IHSG. Plo ACF dari nilai raa-raa harian IHSG memperlihakan pola yang dying down, hal ini membukikan adanya keidaksasioneran daa. Maka perlu dilakukan pembedaan unuk mengaasi keidaksasioneran raaan dan ranformasi unuk mengaasi keidaksasioner dalam ragam. re urn // Scaerplo of reurn vs dae // //4 dae //6 //8 Gambar 3 Plo dere waku reurn harian IHSG. Dalam bidang finansial dikenal nilai reurn sebagai besarnya nilai pengembalian yang akan diperoleh sabagai hasil invesasi. Menggunakan nilai reurn pada analisis ini sama halnya melakukan pembedaan (differencing) dan ransformasi logarima pada daa raa-raa harian IHSG, sehingga daa akan sasioner. Nilai reurn diperoleh dari log( Y / Y ). Besarnya reurn merupakan besar perubahan nilai indeks yang erjadi pada waku ke dengan nilai indeks pada waku ke -. Gambar 3 merupakan plo daa dere waku nilai reurn harian IHSG. Tabel Saisika deskripif daa reurn IHSG Saisik Reurn deskripif Mean.96 Median.676 Maximum.55 Minimum Sd. Dev..56 Skewness Kurosis Jarque-Bera Probabiliy. Sum.6346 Sum Sq. Dev Observaions 9 Saisika deskripif dari daa reurn disajikan pada Tabel. Raa-raa nilai reurn yang bernilai posiif memberikan ari bahwa ingka pengembalian selama periode pengamaan mengalami peningkaan sebesar.96. Skewness (kemenjuluran) merupakan nilai yang digunakan unuk mengukur keidaksimerikan sebaran daa. Nilai kemenjuluran yang negaif menggambarkan bahwa daa memiliki ekor yang lebih panjang ke kiri (menjulur ke kiri) dan sebagian besar daa berada di nilai-nilai yang besar. Sedangkan nilai kemenjuluran yang posiif menggambarkan bahwa daa memiliki ekor yang lebih panjang ke kanan (menjulur ke kanan) dan sebagian besar daa berkumpul di nilai-nilai yang kecil. Nilai kemenjuluran daa reurn IHSG selama periode pengamaan sebesar -.87 menunjukkan bahwa daa menjulur ke kiri, berari sebagian besar daa IHSG berada di nilai-nilai yang besar. Sedangkan nilai kurosis (keruncingan) digunakan unuk mengukur keruncingan aau kelandaian dari sebaran daa. Nilai kerun cingan yang sanga besar (bernilai posiif) mengindikasikan bahwa sebaran daa memiliki ekor yang lebih panjang dari sebaran normal. Hal ini dapa dibukikan oleh uji Jarque-Bera. Sehingga keika dilakukan pendugaan erhadap nilai parameer, deviasi dari asumsi sebaran normal dapa dikoreksi dengan meode penduga quasi-maximum likelihood. Selain iu, Lo (3) menjabarkan bahwa sifa dari daa yang dipengaruhi proses ARCH anara lain adalah memiliki nilai keruncingan yang lebih dari 3. Nilai kerunciangan reurn IHSG yang diperoleh dari saisika deskripif sebesar 7.6 mengindikasikan bahwa sebaran daa memiliki ekor yang lebih panjang dari sebaran normal dan dicurigai daa reurn memiliki pengaruh ARCH. Melalui informasi ini, akan dilakukan uji lanju unuk meliha keberadaan pengaruh ARCH lebih jelas. Model GARCH

3 9 Fungsi raaan awal Pemilihan fungsi raaan awal dilakukan unuk meliha gambaran model dere waku bagi daa dere waku pengamaan. Pemilihan fungsi raaan awal didasarkan pada plo dere waku, plo ACF dan PACF. Plo ACF dan PACF daa reurn dapa diliha pada Lampiran 3. Pemodelan fungsi raaan awal dilakukan mengikui prosedur Box-Jenkis. Kandida model yang diperoleh pada pemodelan fungsi raaan dapa diliha pada Lampiran 4a. Kandida model erbaik yang dipilih adalah MA() anpa konsana. Model dipilih karena memiliki penduga yang nyaa dan nilai SC minimum. Seelah didapa kandida model erbaik, maka dilakukan overfiing unuk meliha apakah model yang dipilih sudah sesuai. Overfiing dilakukan dengan menambahkan parameer modelnya, sehingga modelnya menjadi MA(). Hasil overfiing dapa diliha pada Lampiran 4b. Berdasarkan hasil overfiing, ernyaa penduga parameer MA() idak signifikan. Berari model MA() sudah fi. Uji pengaruh ARCH Nilai keruncingan yang dihasilkan dari saisika deskripif menjadi salah sau indikasi adanya pengaruh ARCH, aau ragam sisaan yang heerogen. Cara lain unuk mendeeksi keberadaan pengaruh ARCH dapa dilakukan dengan meliha korelogram kuadra sisaan dan melakukan uji formal Lagrange Muliplier (LM). Korelogram kuadra sisaan dari fungsi raaan awal dapa diliha pada Lampiran 5. Korelogram kuadra sisaan menunjukkan adanya auokorelasi dari lag ke- sampai lag ke-36. Hal ini merupakan salah sau indikasi adanya ragam sisaan yang idak homogen (heerogen). Tabel Uji Lagrange -Muliplier sisaan fungsi raaan awal Lag ke- F-saisik Prob Sedangkan hasil uji LM dapa diliha pada Tabel. Berdasarkan hasil uji LM, nilai peluang LM sampai lag ke- kurang dari araf nyaa 5%, dengan kaa lain mempunyai nilai LM yang signifikan. Hasil ersebu menunjukkan bahwa ragam sisaan idak homogen. Banyaknya lag yang nyaa menunjukkan besaran orde yang diperlukan pada model ARCH. Orde yang sanga besar pada model ARCH dapa diaasi dengan menggunakan model GARCH. Uji Kenormalan Jarque-Bera erhadap sisaan dari fungsi raaan awal menghasilkan nilai saisik JB sebesar dan nilai-p kurang dari araf nyaa 5%, arinya sisaan idak menyebar normal. Maka meode pendugaan parameer yang akan digunakan pada pendugaan fungsi raaan dan fungsi ragam secara simulan adalah quasi maximum likelihood agar deviasi sebaran normalnya dapa erkoreksi. Sedangkan hisogram dan plo quanil-quanil sebaran sisaannya dapa diliha pada Gambar 4 dan Gambar 4 Hisogram sisaan fungsi raaan awal. Normal Quanile RESID_RATAAN Gambar 5 Plo quanil-quanil sisaan fungsi raaan awal. Model GARCH Berdasarkan nilai keruncingan daa, korelogram kuadra sisaan dari fungsi raaan

4 awal, dan uji Lagrange Muliplier, dapa disimpulkan bahwa daa reurn IHSG pada periode pengamaan memiliki pengaruh ARCH. Sehingga salah sau cara yang dapa dilakukan unuk mengaasi adanya pengaruh ragam ak homogen adalah dengan memodelkan fungsi raaan dan fungsi ragam secara simulan. Model ragam perama yang akan digunakan adalah model GARCH. Model yang dipilih dari pendugaan fungsi raaan dan fungsi ragam secara simulan dengan model GARCH adalah MA()- GARCH(,) karena mempunyai koefisien yang signifikan, koefisien ragam yang bernilai posiif, dan memiliki nilai SC erkecil. Hasil pendugaan dapa diliha pada Tabel 3. Modelnya dapa diulis sebagai beriku. Fungsi raaan : y =.545+ ε +.59ε Fungsi ragam : σ =.56E σ.ε Arinya nilai harian IHSG hari ini dipengaruhi oleh sisaan periode sebelumnya, sedangkan ragam bersyaranya merupakan fungsi dari sisaan dan ragam bersyara periode sebelumnya. Diagnosik sisaan Karena belum ada lielaur yang menjelaskan enang cara menenukan model GARCH erbaik, maka dilakukan diagnosik sisaan unuk meliha apakah model yang dipilih sudah sesuai. Dianara asumsi yang diperiksa adalah keacakkan sisaan, kenormalan gala sisaan, dan kebebasan anar sisaan. Tabel 3 Pendugaan fungsi raaan dan fungsi ragam dengan model GARCH Model Parameer Koef. Sd.Er ror Z-Saisik Prob AIC SC Fungsi raaan MA()- GARCH(,) C MA() Fungsi ragam C.56E-6 5.3E α β Uji kehomogenan ragam dan kebebasan anar sisaan. Hasil uji Lagrange Muliplier dapa diliha pada Tabel 4. Tabel 4 Uji Lagrange -Muliplier sisaan model GARCH F- saisic.6 Probabiliy.833 Obs*Rsquared.6 Probabiliy.83 Hasil uji Lagrange -Muliplier pada lag ke- memperlihakan nilai probabilias sebesar.833, yang lebih besar dari araf nyaa 5%, sehingga hipoesis nol bahwa anar sisaan idak memiliki korelasi aau sisaan idak memiliki pengaruh ARCH dierima. Arinya, sisaan memiliki ragam yang homogen dan anar sisaan saling bebas. Sedangkan korelogram kuadra sisaannya dapa diliha pada Lampiran 6. Semua lag menghasilkan probabilias yang idak signifikan, arinya anar sisaan sudah idak ada auokorelasi.. Uji kenormalan. Uji Jarque Bera dari sisaan model GARCH menghasilkan probabilias yang kurang dari araf nyaa 5%. Arinya, sisaan idak memiliki sebaran normal, asumsi kenormalan elah dilanggar. Tapi, adanya pelanggaran erhadap asumsi kenormalan idak erlalu berpengaruh erhadap pemodelan. Karena adanya penyimpangan erhadap asumsi kenormalan sisaan merupakan indikasi bahwa daa memiliki volailias yang sanga acak. Sedangkan hisogram sisaan dan plo quanil-quanil sisaannya dapa diliha pada Gambar 6 dan Gambar 6 Hisogram sisaan model GARCH.

5 Normal Quanile Gambar 7 Plo quanil-quanil sisaan model GARCH. Model EGARCH Pada beberapa daa finansial, conohnya daa indeks saham, erdapa korelasi negaif anara nilai reurn dengan volailiasnya (pengaruh asimerik). Model GARCH menjadi kurang epa unuk digunakan. Maka Nelson (99) memperkenalkan model Eksponensial- GARCH (EGARCH) sebagai fungsi logarima dari ragam bersyaranya. Sebelumnya akan diuji erlebih dahulu unuk meliha keberadaan pengaruh asimerik pada daa reurn IHSG. Uji pengaruh asimerik (efek leverage) Unuk menguji adanya pengaruh keasimerikan (efek leverage) pada daa, dilakukan pengujian auokorelasi anara sisaan kuadra dari model GARCH erhadap lag sisaannya. Dengan persamaan regresi sebagai beriku. s =.989.s.79s.6s 3 Nilai probabilias yang dihasilkan dari pendugaan regresinya kurang dari araf nyaa 5%, arinya sisaan kuadra model GARCH berkorelasi nyaa dengan lag ke- sisaannya. Yang mengindikasikan bahwa erdapa pengaruh asimerik, sedangkan anda negaive pada nilai koefisien memperlihakan keberadaan efek leverage (pengaruh asimerik) pada daa. Sehingga unuk mengaasi pengaruh keasimerikan pada daa, akan lebih epa jika pemodelan dilakukan dengan model Eksponensial -GARCH (EGARCH). Tabel 5 Hasil pendugaan model regresi kuadra sisaan erhadap lag sisaannya Var. Coeff. Sd. Error - Saisik Prob. C s(-) s(-) s(-3) F-saisic Probabiliy.5 Model EGARCH Seelah diyakini daa reurn harian IHSG memiliki pengaruh asimeerik, maka fungsi ragam daa reurn akan dimodelkan dengan model EGARCH. Pada model EGARCH, koefisien-koefisiennya diizinkan bernilai negaif, karena benuk log-linier pada fungsi ragamnya akan berakiba nilai ragam bersyaranya idak akan pernah bernilai negaif. Hasil pendugaan fungsi raaan dan fungsi ragam dengan model EGARCH dapa diliha pada Tabel 6. Model yang dipilih adalah MA()-EGARCH(,), karena memiliki nilai koefisien yang signifikan dan nilai saisik SC yang minimum. Modelnya dapa diulis sebagai beriku. Fungsi raaan : y = ε +.5ε Fungsi ragam : ε e = σ log( σ ) = log( σ ) e.8 ( e ) Tabel 6 Pendugaan fungsi raaan dan fungsi ragam dengan model EGARCH Model Parameer Koef. Sd.Error MA()- EGARCH(,) STDRESID_GARCH Z- Saisik Fungsi raaan MA() Fungsi ragam C α γ β Prob AIC SC

6 Dari hasil pendugaan diperoleh nilai koefisien γ =.8, nilai ersebu menujukkan adanya pengaruh keasimerikan karena γ, dan membukikan adanya efek leverage karena nilai γ bernilai negaif (kurang dari ). Diagnosik sisaan Seperi halnya model GARCH, belum diemukan pula lielaur yang menjelaskan cara unuk menenukan model EGARCH erbaik. Maka dilakukan diagnosik sisaan unuk meliha apakah model EGARCH yang dipilih sudah sesuai. Asumsi yang diperiksa adalah keacakkan sisaan, kenormalan gala sisaan, dan kebebasan anar sisaan.. Uji kehomogenan ragam dan kebebasan anar sisaan. Hasil uji Lagrange -Muliplier dapa diliha pada Tabel 7. Tabel 7 Uji Lagrange -Muliplier sisaan model EGARCH F- saisic.7 Probabiliy.783 Obs*Rsquared.8 Probabiliy.78 Hasil uji Lagrange -Muliplier pada lag ke- memperlihakan nilai probabilias sebesar.783, yang lebih besar dari araf nyaa 5%, sehingga hipoesis nol bahwa anar sisaan idak memiliki korelasi aau sisaan idak memiliki pengaruh ARCH dierima. Arinya, sisaan memiliki ragam yang homogen dan anar sisaan saling bebas. Sedangkan korelogram kuadra sisaannya dapa diliha pada Lampiran 7. Hasil korelogram kuadra sisaan sudah idak signifikan, arinya anar sisaan sudah idak ada auokorelasi.. Uji kenormalan. Uji Jarque Bera dari sisaan model EGARCH menghasilkan nilai probabilias kurang dari araf nyaa 5%. Arinya, sisaan idak memiliki sebaran normal, asumsi kenormalan elah dilanggar. Tapi, adanya pelanggaran erhadap asumsi kenormalan idak erlalu berpengaruh erhadap pemodelan. Karena adanya penyimpangan erhadap asumsi kenormalan sisaan merupakan indikasi bahwa daa memiliki volailias yang sanga acak dan memiliki nilai-nilai yang eksrim. Sedangkan hisogram sisaan dan plo quanil-quanil sisaannya dapa diliha pada Gambar 8 dan Gambar 8 Hisogram sisaan model EGARCH. Normal Quanile Gambar 9 Plo quanil-quanil sisaan model EGARCH. Kurva News Impac Selain dengan meregresikan anara kuadra sisaan model GARCH dan lag sisaannya, pengaruh keasimerikan dapa diperiksa secara visual menggunakan Kurva News Impac. Gambar merupakan kurva News Impac yang memplokan sisaan dengan ragam bersyara model EGARCH. Gambar ersebu memperlihakan adanya guncangan yang negaif dari z (nilai reurn urun) akan mempunyai pengaruh yang lebih besar erhadap volailias (pergerakan ragam bersyara) dibandingkan guncangan yang posiif dengan besaran yang sama. SIG STDRESID_EGARCH Z Gambar Kurva News Impac.

7 3 Validasi Model Melalui pemeriksaan keasimerikan daa dikeahui bahwa daa reurn IHSG selama periode pengamaan memiliki pengaruh yang asimerik maka akan lebih fi jika dimodelkan dengan fungsi ragam model EGARCH. Validasi model dilakukan menggunakan daa harian IHSG yang digunakan unuk membangun model, yaiu daa dari bulan Okober 999 sampai Juni 8. Nilai-nilai saisik hasil validasi dapa diliha pada Tabel 8. Tabel 8 Nilai Saisik validasi model EGARCH Saisik Validasi Mean Error.5778 Mean Absolue Error Mean Square Error Roo Mean Square Error Mean Absolue Percen Error Suau model dikaakan baik jika menghasilkan nilai-nilai saisik yang kecil. Berdasarkan nilai saisik hasil validasi pada Tabel 8, nilai MAPE yang diperoleh adalah.78%. Pada Lampiran 8a juga dapa erliha bahwa plo dere waku anara nilai akual dan prediksi hampir berhimpi sempurna. Model GARCH, dan EGARCH mencoba memodelkan ragam bersyaranya sebagai fungsi dari daa sebelumnya dan ragam dari daa sebelumnya. Maka, selain hasil prediksi dari nilai raa-raa harian IHSG, model GARCH, dan EGARCH juga menghasilkan prediksi dari ragam bersyaranya. Ragam bersyara ini memperlihakan secara visual enang perilaku pergerakan nilai harian IHSG selama periode pengamaan. Nilai ragam yang diperoleh menunjukkan besarnya resiko sebagai hasil invesasi. Berdasarkan model yang diperoleh, nilai ragam bersyara dari daa in-sample dapa diliha pada Gambar. ragam bersyara // Scaerplo of ragam bersy ara vs dae // //4 d ae //6 //8 Gambar Ragam bersyara daa in-sample. Berdasarkan nilai ragam bersyara daa in-sample yang dapa diliha pada Gambar, memperlihakan perubahan yang liar pada ragam bersyaranya. Teruama pada periodeperiode erakhir. Hal ini disebabkan oleh nilai IHSG yang idak sabil pada periode ersebu. Simulasi Peramalan Nilai Raa -raa Harian IHSG Peramalan dilakukan menggunakan daa dari anggal Juli 8 9 Sepember 8. Peramalan dilakukan dengan dua cara, peramalan one-sep ahead dan peramalan muli-sep ahead. Peramalan one-sep ahead dilakukan unuk meliha nilai IHSG unuk persau hari kedepan. Meode ini biasanya hany a digunakan unuk mengamai kecenderungan pergerakan daanya selama periode pengamaan. Sedangkan peramalan muli-sep ahead dilakukan unuk meliha nilai IHSG dalam beberapa hari ke depan, unuk jangka panjang. Tabel 9 Nilai Saisik peramalan one-sep ahead model EGARCH Saisik One-sep ahead Mean Error Mean Absolue Error Mean Square Error Roo Mean Square Error Mean Absolue Percen Error Nilai-nilai saisik dari peramalan onesep ahead dapa diliha pada Tabel 9. Peramalan yang dihasilkan memberikan nilai MAPE yang masih baik, yaiu sebesar.45%. Sedangkan nilai saisik hasil peramalan muli-sep ahead dapa diliha pada Tabel. Tabel Nilai Saisik peramalan muli-sep ahead model EGARCH Saisik Muli -sep ahead Mean Error Mean Absolue Error Mean Square Error Roo Mean Square Error Mean Absolue Percen Error Nilai MAPE yang dihasilkan peramalan 3 bulan ke depan sebesar 3.7%. Hal ersebu berakiba model idak cukup baik dalam meramalkan nilai harian IHSG. Plo hasil

8 4 peramalan sau hari ke depan dan 3 bulan ke depan dapa diliha pada Lampiran 8b. Ragam Bersyara Peramalan erhadap ragam beryara akan membanu para pemegang as e dalam menenukan perilaku nilai yang akan daang. Ramalan ragam bersyara ini selanjunya dapa digunakan unuk menghiung besarnya resiko dalam memegang ase yang akan dihadapi di masa yang akan daang. Hasil peramalan one-sep ahead ragam bersyara unuk daa ou-sample dapa diliha pada Gambar. Sedangkan Gambar 3 memperlihakan hasil peramalan muli -sep ahead. ragam bersyara //8 Scaerplo of ragam bersyara vs Dae 8//8 9//8 //8 Dae //8 //8 //9 Gambar Peramalan ragam bersyara onesep ahead. ragam ber sy ara / / 8 Scaerplo of ragam bersyara vs Dae 8//8 9// 8 / / 8 Dae //8 // 8 // 9 Gambar 3 Peramalan ragam bersyara mulisep ahead. Gambar memperlihakan nilai ragam bersyara dalam jangka pendek. Pola yang diperlihakan masih liar. Teruama pada perengahan periode, dikarenakan nilai IHSG yang idak sabil. Sedangkan Gambar 3 memperlihakan nilai ragam bersyara dalam jangka panjang. Dimana nilai ragam bersyaranya akan konvergen menuju suau nilai. Dengan asumsi nilai IHSG sabil. Besarnya resiko yang dihadapi pemegang saham di masa yang akan daang dapa dihiung melalui analisis resiko. Evaluasi Model GARCH vs EGARCH Evaluasi ini dilakukan unuk meliha kekurangan pada model GARCH yang dapa diaasi oleh model EGARCH. Perama, model GARCH membaasi nilai parameernya agar ragam bersyaranya bernilai posiif. Yaiu masing-masing parameernya harus posiif, α i dan β i. Sedangkan model EGARCH idak membaasi nilai parameernya, karena fungsi ragamnya berupa fungsi logarima yang idak akan menghasilkan nilai ragam negaif. Hasil pendugaan parameer model GARCH dan EGARCH dapa erliha pada Tabel 4 dan 8. Dimana parameer yang dihasilkan model GARCH yaiu α =. dan β =. 673, keduanya memiliki nilai posiif, sedangkan parameer model EGARCH α =.384, β =.85, dan γ =.8, dengan salah sau parameernya ( γ ) bernilai negaif. Nilai parameer γ yang negaif dan idak sama dengan nol, sekaligus menunjukkan keunggulan yang kedua model EGARCH dari model GARCH yaiu model EGARCH memperimbangkan adanya pengaruh keasimerikan (efek leverage). Pengaruh asimerik diunjukkan adanya perbedaan pengaruh perubahan guncangan erhadap volailiasnya. Keika erjadi guncangan posiif ( ε ), perubahan volailiasnya sebesar ( γ + α ) =. 76. Sedangkan keika erjadi guncangan negaif ( ε < ), perubahan volailiasnya sebesar ( γ α) =. 49. Perubahan volailias yang diakibakan adanya guncangan negaif lebih besar dari guncangan posiif. Terakhir, sebagai akiba dari idak dapa mengaasi pengaruh asimerik, model GARCH erlalu over dalam memprediksi ragam bersyaranya, hal ini diakibakan oleh nilai ε aau menghasilkan nilai σ yang besar akan σ yang besar pula. Seperi erliha pada Lampiran 9, ragam bersyara yang dihasilkan oleh model GARCH pada validasi dan peramalan one-sep ahead lebih liar dibandingkan nilai ragam bersyara yang dihasilkan model EGARCH, nilai ragam yang eksrim pada model GARCH (yang merupakan akiba dari efek leverage) dapa diaasi oleh model EGARCH. Sedangkan pada peramalan muli -sep ahead nilai ragam bersyara yang dihasilkan model GARCH lebih besar dari model EGARCH.